那些做了数据分析师后大概率会明白的道理

1️⃣不管多么高大上的工作，都要从打杂开始 （更何况，数分从来都不高大上，说它轻松自在拿钱多的，肯定想割你韭菜） 刚入行，都得从埋点、sql拉数和看板做起，想一口吃个胖子，胖子不会给你机会吃的。。。其实工作中哪有那么多有意思的事儿，但凡跟钱沾点儿边，都乐呵不到哪儿去。只能说，随经验累积，从特别没有意思，到很没有意思，到没意思，到意思意思，最后就进入“爱咋咋地”的境界了 2️⃣有时候数据不是用来证明什么是对的，而是为了证明别人说的为什么可以对 “人心中的成见，是座大山”。工作也一样，人们心中认准的观点，太难扭转。你的数据证实不了，说明你没业务sense；你的数据恰巧证明了，说明你算数算得好、业务方的观点够犀利。所以，data-driven是个理想，真碰上愿意相信数据的老板，或者，真的能通过实打实的分析影响到业务决策的，就且行且珍惜。不必强求用数据改变一切，这从来不是DA该追求的 3️⃣主动权不一定抢的来，组织不行的时候你就算捅破天也只会被人认为是疯批 “我命由我不由天”，那是只有你和天在的时候，要是中间给你加层紧箍咒呢，只怕连捅破天的机会都不会给你。数分的生存很看组织氛围，如果业务团队不完全依赖主观经验做决策，相信数据对业务的客观指导，那数分就大有可为；反之，只会成为业务的边角料，做毫无增量价值、可有可无的边缘角色。这时候，赶紧走才是上上策，如果真有深耕这个岗位的想法，就得给自己铺好路。当然，越工作越会发现，岗位的深耕从来没意义，最后要细琢磨的都是用户和业务模式，以及把老板们的xx假设变成现实，至于是数分、PM还是运营来做，反倒无所谓 4️⃣工作的基本方法不难，难的是怎么让它们不断解决实际问题 数分的主要工作不多，指标体系建设、异动归因、业务优化分析和效果评估，背后的方法也无非是关键角色拆解、业务流程拆解、维度收集与排列、动力-阻力-触点分析、假设驱动、相关性分析、ab实验等等，真不算多。但难在如何在实际的业务问题中，用出来，且通过一个又一个业务问题，逐渐内化成自己的做事儿框架。工作中，谁有自己的框架，谁就有自己的内核；谁有自己的内核，谁的基本盘就够稳；谁的基本盘够稳，谁就能不断突破scope。晋升、加薪，都只是这个过程的附属品